大型语言模型作为神经病理学的诊断支持工具
Katherine J Hewitt1, Isabella C Wiest1,2, Zunamys I Carrero1
1Else Kröner Fresenius Center for Digital Health, Faculty of Medicine and University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Dresden, Germany.
The journal of pathology. Clinical research
|November 6, 2024
概括
大型语言模型 (LLM) 现在可以使用更新的世卫组织指南准确诊断中枢神经系统 (CNS) 瘤,当与检索增强生成 (RAG) 集成时. 这项技术有望帮助神经病理学家在日常报告实践中发挥作用.
科学领域:
- 神经瘤学神经瘤学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 中枢神经系统 (CNS) 瘤分类是复杂的,随着世卫组织指导方针的发展,包括形态学,遗传学和表观遗传学.
- 对临床专家来说,跟上这些变化是一项挑战.
- 大型语言模型 (LLM) 在神经瘤诊断中的实用性仍然在很大程度上未经测试.
研究的目的:
- 根据世卫组织最新的指导方针,评估LLM在分类神经瘤病例中的诊断准确性.
- 为了确定LLMs,增强与检索增强生成 (RAG),可以提高诊断性能.
主要方法:
- 在30个具有挑战性的神经病理病例中评估了ChatGPT-4o,Claude-3.5-sonnet和Llama3.
- 集成的LLM与世卫组织的指导方针使用检索增强生成 (RAG).
- 在RAG集成之前和之后评估诊断准确性.
主要成果:
- 没有RAG集成的LLM显示出有限的诊断准确性.
- 配备RAG的LLM在90%的测试病例中准确诊断了神经病理瘤亚型.
- 结合LLMs和RAG显著提高了诊断性能.
结论:
- 与RAG集成的LLM可以根据当前的世卫组织指南准确诊断中枢神经系统瘤.
- 这种方法有可能开发计算工具来帮助神经病理学家.
- 这些发现为人工智能辅助的神经瘤学报告铺平了道路.
